Do Lakehouse à Mente Digital: arquitetando um ecossistema de IA multiagente no Databricks

Na empresa de hoje, ter um data lakehouse vasto e unificado é essencial para ativar os dados. Com um lakehouse, as organizações podem transformar um repositório passivo em um mecanismo dinâmico e inteligente que antecipa necessidades, automatiza conhecimento especializado e impulsiona decisões mais bem informadas. Na Edmunds, essa prioridade levou ao lançamento do Edmunds Mind, nossa iniciativa para construir um ecossistema de IA multiagente sofisticado diretamente na Databricks Data Intelligence Platform.

Essa evolução arquitetônica é impulsionada por um momento crucial no setor automotivo. Três tendências principais convergiram:

• A ascensão dos modelos de linguagem grandes (LLMs) como poderosos mecanismos de raciocínio
• A escalabilidade e a governança de plataformas como a Databricks como uma base segura
• O surgimento de frameworks agênticos robustos para orquestrar a automação. Esses fatores possibilitam sistemas que pareceriam inimagináveis há apenas alguns anos.

Essa transformação não se trata apenas de adicionar outra ferramenta de IA, mas também de redesenhar fundamentalmente nossa organização para operar como uma organização nativa de IA. Os princípios, componentes e estratégias por trás desse núcleo inteligente são detalhados em nosso projeto arquitetônico abaixo.

“O Databricks nos oferece uma base segura e governada para executar vários modelos como GPT-4o, Claude e Llama e trocar de provedores conforme nossas necessidades evoluem, tudo isso mantendo os custos sob controle. Essa flexibilidade nos permite automatizar a moderação de avaliações e melhorar a qualidade do conteúdo mais rapidamente, para que os compradores de carros obtenham insights confiáveis mais cedo.”— Gregory Rokita, VP de tecnologia, Edmunds

Transformando de rico em dados para orientado a insights

Nossa visão é evoluir de uma empresa rica em dados para uma organização orientada por insights. Usamos IA para construir a experiência de compra de carros mais confiável, personalizada e preditiva do setor.

Isso é realizado por meio de quatro pilares estratégicos principais:

• Ative dados em escala: Transição de dashboards estáticos para uma interação dinâmica e conversacional com os dados.
• Automatizar o conhecimento especializado: codificar a lógica inestimável dos nossos especialistas de domínio em agentes autônomos e reutilizáveis.
• Acelerar a inovação de produtos: fornecer às nossas equipes um kit de ferramentas de agentes inteligentes para criar recursos de última geração.
• Otimizar operações internas: gerar ganhos significativos de eficiência automatizando fluxos de trabalho internos complexos.

No centro dessa visão está nossa vantagem competitiva mais significativa: o Edmunds Data Moat. Essa base poderosa de dados automotivos é liderada por nosso inventário de veículos usados líder do setor, o conjunto mais completo de avaliações de especialistas e a melhor inteligência de preços da categoria, complementada por extensas avaliações de consumidores e anúncios de veículos novos. Todo esse ecossistema é unificado e gerenciado em nosso ambiente Databricks, criando um ativo singular e poderoso. O Edmunds Mind é o motor que construímos para liberar todo o seu potencial.

Por dentro do Framework de Agentes Digitais

A arquitetura do Edmunds Mind é um sistema cognitivo e hierárquico projetado para complexidade, aprendizado e escala, tendo a Plataforma Databricks como sua base.

A hierarquia de agentes: uma organização de especialistas digitais

Projetamos nosso sistema para espelhar uma organização eficiente, usando uma estrutura em camadas onde as tarefas são decompostas e delegadas. Isso se alinha perfeitamente com os padrões de orquestrador em estruturas modernas, como a Databricks Agent Bricks.

• Agentes supervisores: os líderes estratégicos. Eles realizam o planejamento de longo prazo, gerenciam dependências e orquestram tarefas complexas de vários estágios.
• Agentes Gerentes: Os líderes de equipe. Eles coordenam uma equipe de agentes especializados para realizar um objetivo específico e bem definido.
• Agentes de trabalho e especializados: são os colaboradores individuais que fornecem conhecimento especializado. Eles são os cavalos de batalha do sistema e incluem uma lista crescente de especialistas, como o Knowledge Assistant, o DataDave e vários Genies.

A comunicação entre agentes é regida por um protocolo padronizado, garantindo que as delegações de tarefas e as transferências de dados sejam estruturadas, tipificadas e auditáveis, o que é fundamental para manter a confiabilidade em escala.

A hierarquia também é projetada para uma falha elegante. Quando um Agente Gerente determina que sua equipe de especialistas não consegue resolver uma tarefa, ele escala todo o contexto da tarefa de volta para o Supervisor, incluindo as tentativas fracassadas armazenadas em sua memória episódica. O Supervisor pode então replanejar com uma estratégia diferente ou, de forma crucial, sinalizar isso como um problema novo que requer intervenção humana para desenvolver uma nova capacidade. Isso torna o sistema robusto e uma ferramenta de aprendizado que nos ajuda a identificar os limites de sua competência.

Análise detalhada 1: fluxo de trabalho automatizado de enriquecimento de dados

Historicamente, resolver imprecisões nos dados de veículos, como cores incorretas em uma página de detalhes do veículo, era um processo trabalhoso que exigia coordenação manual entre várias equipes. Hoje, o ecossistema de IA Edmunds Mind automatiza e resolve esses desafios quase em tempo real. Essa eficiência operacional é alcançada por meio do nosso Model Serving centralizado, que consolida nossas diversas capacidades de agentes de IA em um ambiente único e coeso que se dimensiona automaticamente com base na demanda. Essa arquitetura libera nossas equipes da sobrecarga operacional, permitindo que elas se concentrem em entregar valor aos nossos usuários rapidamente.

O processo de resolução é executado por meio de um workflow governado e com múltiplos agentes. Quando um usuário ou um monitor automatizado sinaliza uma possível discrepância de dados, um Agente Supervisor faz a triagem do evento imediatamente. Ele avalia o problema, o encaminha para a equipe especializada apropriada e valida as permissões da tarefa por meio do Unity Catalog para uma governança de dados robusta. Um Agente Gerente dedicado então orquestra uma sequência de Agentes Trabalhadores especializados para realizar tarefas que vão desde decodificação de VIN e recuperação de imagens até análise de cores com tecnologia de IA e atualizações finais no banco de dados. Os administradores de dados humanos continuam sendo parte integrante da revisão crítica, deslocando seu foco da intervenção manual para a etapa de aprovação de alto valor. Cada interação e decisão é registrada sistematicamente, construindo uma base abrangente para aprendizado contínuo e otimização futura de processos.

Este exemplo ilustra como todo o ecossistema lida com uma tarefa do mundo real de qualidade e enriquecimento de dados de ponta a ponta.

• Gatilho de evento: uma reclamação de usuário ou um monitor automatizado sinaliza um possível problema de qualidade de dados (p. ex., uma cor de veículo incorreta) em uma página de descrição do veículo.
• Triagem e orquestração: um agente supervisor ingere o evento, cria uma tarefa rastreável e avalia sua prioridade com base em regras de negócios predefinidas.
• Delegação para o gerente: o supervisor delega a tarefa ao agente gerenciador de dados de veículos após confirmar suas permissões para acessar e modificar os dados do veículo no Unity Catalog.
• Execução coordenada de tarefas: o agente gerenciador orquestra uma sequência de agentes de trabalho especializados para resolver o problema: um agente de decodificação de VIN, um agente de recuperação de imagem para extrair fotos de nossa biblioteca de mídia, um agente de análise de cores com tecnologia de IA para determinar a cor correta das imagens e um agente de correção de dados para atualizar o banco de dados de construção do veículo.
• Revisão com intervenção humana: antes que a alteração seja implementada, o agente gerenciador sinaliza a alteração automatizada e notifica um administrador de dados humano por meio de uma integração com o Slack para validação final.
• Aprendizagem e encerramento: assim que o administrador aprova a tarefa, o supervisor a marca como concluída. Toda a interação, incluindo a aprovação humana final, é rastreada e registrada na memória de longo prazo para aprendizado e auditoria futuros.

Análise Aprofundada 2: Assistente de Conhecimento: Respostas em Tempo Real, Voz de Marca Confiável

Onde antes os clientes navegavam por vários dashboards da Edmunds ou entravam em contato com o suporte da Edmunds para obter respostas, o Assistente de Conhecimento agora oferece respostas instantâneas e conversacionais aproveitando todo o espectro de dados da Edmunds. Este agente RAG é ajustado à voz da marca Edmunds, combinando insights de avaliações de especialistas e consumidores, especificações de veículos, mídia e preços em tempo real. Como resultado, os clientes têm interações mais rápidas e satisfatórias, e a equipe de suporte gasta menos tempo respondendo a solicitações básicas.

Os principais recursos incluem:

• Personificação da voz da marca: o agente é meticulosamente ajustado para se comunicar com a voz animada, prestativa e confiável que os clientes da Edmunds conhecem há décadas.
• Síntese de dados em tempo real: em uma única consulta, o assistente pode recuperar, sintetizar e apresentar informações de nossas diversas fontes de dados em tempo real, incluindo avaliações de especialistas e consumidores, especificações de veículos, conteúdo de vídeo transcrito e os preços e incentivos mais recentes.
• Capacidades Avançadas de RAG: Estamos trabalhando ativamente com o Databricks usando o Vector Search para expandir os limites da nossa implementação de RAG. Nós nos concentramos em aprimorar a priorização da recenticidade do conteúdo e a filtragem sofisticada de metadados para garantir que as informações mais relevantes e oportunas sejam sempre apresentadas primeiro.

Análise aprofundada 3: workflow "Generate-and-Critique" do DataDave

O DataDave agora lida com análises complexas que antes dependiam de trabalho manual intensivo. Este agente orquestra um workflow rigoroso, em que cada etapa é criticada por um agente especialista, para fornecer 95% de precisão nas consultas mais desafiadoras. O DataDave pode identificar proativamente oportunidades (como sinalizar concessionárias mal atendidas para a equipe de vendas da Edmunds) sintetizando o tráfego do site e dados demográficos. Isso capacita a liderança da Edmunds a passar com confiança de relatar “o que aconteceu” para decidir “o que devemos fazer a seguir”.

O fluxo de trabalho interno é um processo de cinco fases de triagem, planejamento, geração de código, execução e síntese, com um agente de crítica dedicado validando o resultado de cada fase. Além de simplesmente analisar métricas internas, o verdadeiro poder do DataDave reside em sua capacidade de sintetizar nossos dados proprietários com conhecimento de mundo generalizado para gerar recomendações estratégicas. Por exemplo, ao correlacionar os dados de tráfego do site da Edmunds com dados geográficos e demográficos, o DataDave pode identificar concessionárias em áreas carentes e recomendá-las proativamente à nossa equipe de vendas como "oportunidades fáceis".

Análise Aprofundada 4: Especialização em Precificação

Na Edmunds, operamos com um princípio fundamental: um preço não é apenas um número; é uma conclusão que exige contexto e justificativa para ser confiável. Aproveitando nossa reputação de ter a precificação mais precisa do mercado dos EUA, nossa arquitetura de agentes é projetada para oferecer essa confiança em escala.

Nossa experiência em evoluir um "Especialista em preços" monolítico para uma equipe coordenada de especialistas demonstra esse princípio. Essa equipe, orquestrada por um agente gerente e incluindo especialistas como um agente de valor real de mercado, um agente de depreciação e um agente de classificação de ofertas, produz mais do que apenas um preço de tabela. O resultado final é uma narrativa de precificação abrangente e contextualizada que explica por que um veículo é avaliado de determinada maneira.

Isso transforma o papel dos nossos analistas de preços de agregação manual de dados para supervisão e orientação estratégica. Ao aproveitar o Databricks Agent Bricks, nossos estatísticos de preços podem configurar essas equipes de agentes hierárquicos com codificação limitada, aumentando drasticamente sua produtividade e reduzindo a sobrecarga de manutenção. Isso os capacita a focar no que realmente importa: o "porquê" por trás dos números.

O núcleo cognitivo: uma arquitetura para inteligência composta

Nossa jornada em direção a um ecossistema de IA verdadeiramente inteligente começou com um desafio prático. Ao implantar agentes especializados como o DataDave para análise de negócios, descobrimos que eles estavam revelando verdades de negócios críticas e urgentes que permaneciam isoladas em seu contexto operacional. Por exemplo, um agente pode detectar uma tendência de queda anômala em um canal de marketing importante, mas esse insight vital precisa ser comunicado de forma eficaz a outras entidades, tanto agentes quanto humanos, para acionar uma resposta coordenada. Isso destacou uma necessidade fundamental: um sistema de memória compartilhada que pudesse capturar esses aprendizados emergentes e torná-los acessíveis como entrada para todo o sistema de agentes. Nós imaginamos uma camada cognitiva onde esse conhecimento pudesse se acumular, crescer e ser aproveitado para tornar todo o nosso ecossistema progressivamente mais inteligente. Consequentemente, nosso pensamento e design mais recentes são os seguintes.

• Memória Episódica ("O que aconteceu"): Um registro de alta fidelidade de cada ação e observação do agente, servindo como a verdade fundamental do sistema.
• Memória semântica ("o que foi aprendido"): um índice vetorial contendo insights generalizados e estratégias bem-sucedidas sintetizadas a partir de eventos episódicos. Esta será a biblioteca de conhecimento acionável.
• Consolidação automatizada de memória: um agente "refletor" em segundo plano analisa periodicamente a memória episódica para identificar e consolidar os principais aprendizados na memória semântica.
• Acesso Hierárquico à Memória: Agentes de nível superior podem acessar as memórias de seus subordinados, permitindo que um Agente Gerente analise o desempenho da equipe e otimize estratégias futuras. Esse ciclo de feedback é central para a antifragilidade do nosso sistema; cada nova falha escalada pela hierarquia não é apenas um problema a ser resolvido, mas um sinal que treina todo o ecossistema, tornando-o progressivamente mais inteligente e resiliente.

Implementação: mem0 + Databricks

Nossa implementação será viabilizada pelo Databricks Vector Search usando um Delta Sync Index, que é totalmente compatível com a interface mem0. Como o mem0 interage com bancos de dados vetoriais, vamos inovar armazenando memórias episódicas e semânticas em um único backend robusto. Eventos brutos e não resumidos ("o que aconteceu") e aprendizados sintetizados ("o que foi aprendido") coexistirão como tipos de vetores distintos na mesma tabela Delta de origem, que então preenche de forma transparente e automática o índice do Vector Search.

Essa arquitetura unificada cria um fluxo de trabalho eficiente. O agente refletor pode consultar o índice em busca de entradas episódicas recentes, realizar sua síntese e gravar os novos vetores semânticos generalizados de volta na tabela Delta de origem. O Delta Sync Index então ingere automaticamente esses novos aprendizados, disponibilizando-os para consulta. Ao aproveitar a tabela Delta de origem como o único ponto de entrada, eliminamos a complexidade do pipeline de dados e obtemos a base escalonável, sem servidor e de baixa latência necessária para um sistema de agente verdadeiramente inteligente.

Exemplo de workflow com o Edmunds Pulse

1. Log: O agente 'DataDave' detecta uma anomalia de vendas e registra o evento em sua Memória Episódica pela API mem0. Esta ação grava uma nova entrada de vetor em nossa tabela Delta de origem.
2. Sintetizar: o agente refletor processa este evento, gera um insight generalizado (por exemplo, "as vendas do produto X caem nos fins de semana") e o converte em uma incorporação de vetor.
3. Índice: O novo insight é gravado de volta na tabela Delta de origem, mas sinalizado como um aprendizado sintetizado. O Databricks Vector Search sincroniza automaticamente esta nova entrada, indexando-a na memória semântica.
4. Entregar: por fim, um agente dedicado do Edmunds Pulse, que monitora constantemente a memória semântica em busca de inteligência de alta prioridade, entrega proativamente essa descoberta sintetizada a uma parte interessada humana. Traçando um paralelo com o lançamento do ChatGPT Pulse, que visa fornecer um assistente de IA mais ambiente e consciente, nosso Edmunds Pulse atuará como o "pulso" ao vivo dos negócios, garantindo que insights críticos não sejam apenas armazenados, mas comunicados ativamente para impulsionar ações oportunas e inteligentes.

A camada de dados e conhecimento: uma base de verdade governada

Os agentes de IA dependem da qualidade de seus dados. A camada de dados da Edmunds foi desenvolvida especificamente para consistência, governança e flexibilidade, com o Unity Catalog servindo como a pedra angular para garantir que todas as informações permaneçam precisas e bem gerenciadas.

Análise aprofundada 5: acesso a dados com GraphQL e padrões de interatividade

A estrutura do Edmunds Model Context Protocol (MCP) conecta com segurança agentes de IA ao contexto em tempo real de todas as fontes de dados principais, como especificações de veículos, avaliações, inventário e métricas operacionais de sistemas como o New Relic. Isso é alcançado por meio de um gateway de API GraphQL unificado, que abstrai a complexidade subjacente e oferece um esquema fortemente tipado e autodocumentado.

Em vez de agentes ou engenheiros enfrentando dificuldades com dados fragmentados, esquemas incompatíveis ou solução de problemas lenta, o sistema agora oferece suporte a três padrões principais de interatividade, cada um ajustado para um caso de uso diferente:

• Introspecção dinâmica de esquema: os agentes podem explorar dinamicamente consultas novas ou desconhecidas, fazendo a introspecção do próprio esquema GraphQL. Quando um cliente faz uma pergunta única, como se o valor de um carro é afetado por recalls de segurança recentes, o agente pode descobrir novos tipos de dados dinamicamente e elaborar consultas precisas para buscar respostas relevantes. Essa flexibilidade permite que a organização se adapte rapidamente aos novos requisitos de negócios sem exigir alterações manuais na API.
• Ferramentas mapeadas granulares: cada ferramenta do agente é mapeada diretamente para uma consulta ou mutação GraphQL específica para operações de rotina. Por exemplo, atualizar a cor de um veículo é tão simples quanto extrair o VIN e a nova cor, com o agente lidando com a mutação. Essa abordagem aumenta a confiabilidade e reduz a intervenção manual, otimizando as tarefas diárias da equipe.
• Consultas persistentes: funções de alto tráfego e críticas para o desempenho, como painéis de inventário em tempo real, aproveitam consultas pré-registradas para máxima eficiência. O agente envia um hash leve e variáveis, e o sistema retorna os resultados instantaneamente com largura de banda reduzida e segurança aprimorada.

A Edmunds melhorou drasticamente a velocidade, a flexibilidade e a confiabilidade das operações de dados nas funções de produto e suporte, dando aos agentes de IA acesso estruturado a todos os dados de negócios por meio de uma única e robusta camada de API. Tarefas que antes exigiam desenvolvimento personalizado ou depuração entre equipes agora são tratadas em tempo real, permitindo que clientes e equipes internas se beneficiem de insights mais ricos e respostas mais ágeis.

Análise Aprofundada 6: As Camadas Semântica e de Conhecimento

Essa camada crucial serve como ponte entre os dados brutos e a compreensão do agente. Ela abstrai a complexidade dos armazenamentos de dados subjacentes. Ela enriquece os dados com contexto de negócios, garantindo que os agentes operem em uma visão consistente, governada e compreensível do universo Edmunds.

• Unity Catalog: A Espinha Dorsal da Governança: No centro do nosso ecossistema de dados, o Unity Catalog oferece governança, segurança e linhagem centralizadas para todos os ativos de dados e IA. Ele garante que cada dado acessado por um agente esteja sujeito a controles de acesso refinados e que sua jornada seja totalmente auditável, formando a base inegociável para uma plataforma de IA segura e em conformidade.
• Camada semântica do produto: contexto de negócios em tempo real: essa camada fornece aos agentes uma visão orientada a objetos e em tempo real de nossas principais entidades de produtos (por exemplo, veículos, concessionárias, avaliações). Fundamentalmente, ela é originada diretamente dos mesmos esquemas GraphQL que alimentam o site da Edmunds. Isso garante consistência absoluta; quando um agente discute um "veículo", ele está se referindo ao mesmo modelo de dados e lógica de negócios que um consumidor vê no site, eliminando qualquer risco de desvio de dados entre nossos produtos externos e nossa IA interna.
• Camada semântica analítica: a única fonte da verdade para KPIs: esta camada fornece uma visão consistente e confiável de todas as métricas de desempenho de negócios. Ela é originada diretamente de nossas Delta Metric Views selecionadas, que é a mesma fonte que alimenta todos os dashboards executivos e operacionais. Esse alinhamento garante que, quando o DataDave ou outros agentes relatam KPIs de negócios (como tráfego de sessão, leads ou taxas de avaliação), eles usem definições e fontes de dados idênticas às nossas ferramentas de business intelligence estabelecidas, garantindo uma única fonte da verdade em toda a organização.
• Databricks Vector Search: o mecanismo para RAG: este componente é o mecanismo de recuperação de alto desempenho para nossos dados não estruturados e semiestruturados. Ao converter nosso vasto corpus de avaliações, artigos e conteúdo transcrito em embeddings de vetor, permitimos que agentes como o Assistente de Conhecimento realizem pesquisas semânticas ultrarrápidas, recuperando o contexto mais relevante para responder às perguntas dos usuários em um padrão de geração aumentada por recuperação (RAG).

De centro de custo a mecanismo de valor: medindo nosso ROI de IA

Uma arquitetura visionária só é tão boa quanto sua execução. Nossa abordagem é baseada em um roteiro em fases e um profundo compromisso em tratar nosso ecossistema de IA como um motor central que gera valor. Alcançamos isso vinculando diretamente nosso framework técnico de observabilidade, governança e ética aos principais resultados de negócios. Nosso objetivo não é apenas construir uma IA poderosa; é quantificar seu impacto em nossos resultados financeiros.

Acelerando a velocidade dos negócios 

Construímos um sistema holístico para medir os dois lados da equação do ROI. No lado do retorno, nossa estrutura conecta o desempenho da IA diretamente aos KPIs de negócios. Por exemplo:

• Nosso agente DataDave fornece análises complexas e acionáveis em minutos, uma tarefa que antes levava horas para os analistas humanos da Edmunds concluírem. Isso acelera drasticamente a tomada de decisões orientada por dados.
• Nossos agentes de preços respondem instantaneamente às consultas, eliminando horas de pesquisa manual e liberando nossas equipes para se concentrarem em trabalhos estratégicos e de alto valor.

Embora ainda estejamos quantificando o impacto preciso em métricas como taxas de conversão de campanha, essa estrutura fornece os dados em tempo real necessários para traçar essas correlações.

Otimizando o custo

Praticamos uma governança econômica inteligente por meio de nosso AI Gateway. Agentes de alto risco como o DataDave são direcionados para nossos modelos mais poderosos para garantir a precisão, enquanto as tarefas de rotina são atribuídas automaticamente a modelos mais econômicos. Essa estratégia de hierarquização de modelos nos permite gerenciar com precisão nossos gastos com LLM e computação, garantindo que cada dólar investido esteja alinhado com o valor de negócio que ele cria.

“O Databricks nos permite executar o modelo certo para a tarefa certa – com segurança e em escala. Essa flexibilidade impulsiona nossos agentes e oferece experiências de compra de carros mais inteligentes.” — Greg Rokita, VP de Tecnologia, Edmunds

Capacitação Organizacional: Empoderando cada colaborador

Para dar vida a essa visão, estamos fomentando uma cultura de inovação em toda a Edmunds. Nosso objetivo é apoiar um espectro completo de interação humano-IA, desde tarefas totalmente autônomas até revisões com intervenção humana (human-in-the-loop) e resolução de problemas totalmente colaborativa.

Para dar suporte a isso, fornecemos um SDK de agente robusto para engenheiros e defendemos um movimento de "desenvolvedor cidadão" por meio de nossa plataforma Agent Bricks. Essa iniciativa foi iniciada com nossa conferência de tecnologia para toda a empresa "AI Agents @ Edmunds" e é alimentada por uma guilda ativa de agentes LLM, garantindo que cada funcionário tenha as ferramentas e o suporte para contribuir com nosso futuro orientado por IA.

O caminho a seguir: da inteligência proativa à verdadeira autonomia

Nossa jornada para nos tornarmos uma organização verdadeiramente nativa de IA é uma maratona, não uma corrida de velocidade. A arquitetura "Edmunds Mind" serve como nosso plano para essa jornada, e seu próximo passo evolutivo é desenvolver agentes proativos que não apenas respondem a perguntas, mas também antecipam as necessidades de negócio. Imaginamos um futuro onde nossos agentes identifiquem oportunidades de mercado a partir de fluxos de dados em tempo real e entreguem insights estratégicos às partes interessadas antes mesmo que elas peçam.

No fim, nosso roadmap leva a um sistema onde os agentes podem se auto-otimizar—propondo novas ferramentas, refinando mecanismos de crítica e até mesmo sugerindo melhorias de arquitetura. Isso marca uma transição de um sistema que simplesmente operamos para um verdadeiro parceiro cognitivo, evoluindo nossos papéis de operadores para supervisores, eticistas e estrategistas de uma nova força de trabalho inteligente.

Saiba mais sobre como a Edmunds está construindo uma experiência de compra de carros impulsionada por IA com a ajuda da Databricks.

(This blog post has been translated using AI-powered tools) Original Post